几天前,我们研究了苹果公司 如何在AirPods中使用脑波传感器 来测量睡眠质量,甚至检测癫痫。
现在,一份新的论文展示了公司如何在AI的帮助下探索更深层次的心脏健康洞察力. 详情如下。
有点上下文
随着WatchOS 26,苹果在苹果卫视上引入了Hypertension通知.
如公司解释:
翻译: 苹果卫视的超速通知使用光学心脏传感器的数据分析一个用户的血管对心脏跳动的反应. 该算法在背景审查数据30天期间被动工作,如果发现血压一致的迹象,将通知用户.
虽然这个特征远非医学级诊断工具,苹果公司是第一个承认“高血压通知不会发现所有高血压事件的人”,但该公司还声称,这个特征预期“会在第一年内通知100多万人患有未诊断的高血压”。
这个特征的一个重要方面是它不是基于即时测量,而是基于30天期间的数据,这意味着它的算法分析趋势,而不是产生实时血压读数或估计特定的心血管参数.
而这正是苹果公司这个新研究的源头。
从光学传感器获取更多数据
有一点从一开始就很重要:在本研究中,
这一研究与苹果的机器学习研究博客中的大多数(如果不是全部)研究一样,专注于基础研究和技术本身.
在这份名为"心血管参数非侵入性监测的光普利兹摄影模型混合模型"的论文中,苹果公司提出了"一种混合方法,即利用血动力模拟和无标签的临床数据直接从PPG信号中估算心血管生物标记. “
换句话说,研究人员证明,使用简单的手指脉冲传感器来估计更深的心动量度是_可能_的,这种传感器也被称为光谱仪(PPG),与苹果观测台使用的光学感知方式相同(尽管信号特性不同).
苹果公司的研究者们所做的是获得一个带有标签的模拟动脉压力波形(APWs)的大型数据集,以及一个同时期现实世界APW和PPG测量的数据集.
接下来,他们基本上训练了一个基因模型,学习如何将PPG数据映射到同时发生的APW.
简言之,这使它们能够以足够精确的精度推断来自PPG测量的APW数据,以供研究之用。
之后,他们把那些被解释的APWs输入到第二个模型中,这个模型经过培训,可以从中风体积和心脏输出等心脏生物标记法推断出该数据.
他们用模拟的APW数据来训练第二个模型, 与已知的心血管参数值配对, 用于中风体积,心脏输出, 以及其他测量。
最后,它们为每个PPG段生成了多种可信的APW波形,推断出每个段的相应心血管参数,并将这些结果与不确定性计量值一起得出最后估计数。
二. 结果
一旦整个培训过程和模型管道都到位,他们就选取了一个全新的数据集,“包括128个正在接受非心脏手术的病人的APW和PPG信号,并贴有心血管生物标记。 “
在通过输油管运行这些数据后,他们看到它准确地跟踪了中风体积和心脏输出趋势,虽然没有精确的绝对值.
尽管如此,他们的方法还是优于常规技术,表明AI辅助的模型可以从简单的光学传感器中提取更有意义的心脏透视.
以下是研究者们用自己的话说得出的结论:
翻译: 在这项工作中,我们使用混合模型方法从vivo PPG信号中推断心血管参数. 与由于贴上标签的数据有限而挣扎的纯粹由数据驱动的方法相比,我们的方法通过纳入模拟和回避对入侵性和代价高昂的说明的需要,取得了有希望的结果。 虽然其他现有的混合式的心血管模型方法要么将物理特性嵌入神经网络中作为结构限制,要么用数据驱动的组件增强传统生理模型,但我们的方法通过履行机构将物理知识纳入模型。 (.)我们的成果有助于描述预测心脏生物标记的PPG信号的信息性,并可能超出我们实验中考虑的范围。 虽然我们在监测时间趋势方面的结果很有希望,但对复杂生物标志的绝对价值预测仍然具有挑战性,是未来工作的一个关键方向。 今后的工作还可以探索PPG至APW绘图的替代基因方法,或者调查不同的建筑选择. 最后,与这里用于手指PPG的类似学习策略可以扩展到其他方式,包括可穿戴的PPG,并为被动和长期的心脏生物标记器监测打开大门.
虽然不可能知道苹果公司是否会将这些特性纳入苹果观察系统,但令人鼓舞的是,该公司的研究人员正在寻找新的方法,从已经使用的传感器中提取更有意义、更有可能拯救生命的数据。
你可以在arXiv上找到完整的研究
亚马逊大苹果交易
_FTC:我们使用赚取收入的汽车附属链接。 _ 再来
